Guido Wilhelmus Imbens, premio Nobel per l'economia 2021, sarà l'ospite d'eccezione del seminario che si terrà martedì 28 marzo 2023 alle ore 11.30 all’Auditorium A del Polo Didattico Morgagni dell'Università degli Studi di Firenze (viale Morgagni, 40).

L'evento, aperto a tutti, è organizzato Florence Center for Data Science e dal Dipartimento di Statistica, Informatica, Applicazioni “Giuseppe Parenti” (DiSIA) in collaborazione con l'Istituto Universitario Europeo.

“Imbens – ha spiegato Fabrizia Mealli, direttrice del Florence Center for Data Science – affronterà nel seminario il tema della combinazione dei dati sperimentali e osservazionali per migliorare la credibilità delle stime di effetti causali. Nelle scienze sociali è aumentato l'interesse per gli esperimenti randomizzati per la loro alta validità interna; questi, tuttavia, sono spesso di piccole dimensioni e contengono informazioni solo su poche variabili. Allo stesso tempo – aggiunge – sono diventati ampiamente disponibili grandi set di dati amministrativi (big data) il cui utilizzo a fini causali è più discutibile. Insieme a David Card e Joshua Angrist – conclude Mealli – Guido Imbens è stato premiato nel 2021 proprio per aver sviluppato e applicato strumenti statistici per rispondere a domande economiche complesse, sfruttando dati non sperimentali, osservazionali, attraverso l’uso di cosiddetti esperimenti naturali”.

“Combining Experimental and Observational Data”
Special Guest Lecture Economics Lecture by Nobel Prize 2021: Guido Wilhelmus Imbens (Stanford Universiy)
In the social sciences there has been an increase in interest in randomized experiments to estimate causal effects, partly because their internal validity tends to be high, but they are often small and contain information on only a few variables. At the same time, as part of the big data revolution, large, detailed, and representative, administrative data sets have become more widely available. However, the credibility of estimates of causal effects based on such data sets alone can be low.
In this paper, we develop statistical methods for systematically combining experimental and observational data to improve the credibility of estimates of the causal effects.
We focus on a setting with a binary treatment where we are interested in the effect on a primary outcome that we only observe in the observational sample. Both the observational and experimental samples contain data about a treatment, observable individual characteristics, and a secondary (often short term) outcome.
To estimate the effect of a treatment on the primary outcome, while accounting for the potential confounding in the observational sample, we propose a method that makes use of estimates of the relationship between the treatment and the secondary outcome from the experimental sample. We interpret differences in the estimated causal effects on the secondary outcome between the two samples as evidence of unobserved confounders in the observational sample, and develop control function methods for using those differences to adjust the estimates of the treatment effects on the primary outcome.
We illustrate these ideas by combining data on class size and third grade test scores from the Project STAR experiment with observational data on class size and both third and eighth grade test scores from the New York school system.
Co-author: Susan Athey and Raj Chetty

Per maggiori informazioni: https://local.disia.unifi.it/abstract-seminari.php#abs324